マイコン君　機械学習のメモ

（第２回）ファッションＭＮＩＳＴについて

１回目と同じような内容ですが「ファッションＭＮＩＳＴやってみた」です。

実施する内容はほとんど同じです！

チュートリアルをやってみる

＜使う環境＞

ａ．IDLE (Python 3.10 64-bit)　Pythonの基本ソフトでやってます。

b．ライブラリ関連　以下のバージョンを利用

tensorflow 2.8.0

numpy 1.22.2

keras 2.8.0

matplotlib 3.5.1

０.準備（１回目だけ）

MNIST同様にデータセットをダウンロードする必要があります。「Python 3.10 (64-bit)」を開いてから次のコマンドを１個づつ適用します。

from tensorflow import keras

import tensorflow as tf

fashion_mnist = keras.datasets.fashion_mnist

fashion_mnist.load_data()

C:\Users\＜ユーザーローカル＞\.keras\datasets\fashion-mnist

上のフォルダに「t10k-images-idx3-ubyte.gz」「t10k-labels-idx1-ubyte.gz」「train-images-idx3-ubyte.gz」「train-labels-idx1-ubyte.gz」が保存されます。これがファッションMNISTのデータセットです。

ダウンロードの様子

データセットが準備できたら、コールバック関数のプログラムを準備します。手書きＭＮＩＳＴでは同じプログラム内のクラスにしましたが、今回は、「Machine_learning_CallBack.py」を作成して、呼び出す形にします

「Machine_learning_CallBack.py」

from tensorflow import keras
#################################
#https://tensorflow.classcat.com/2021/10/28/keras-2-guide-writing-your-own-callbacks/
class CustomCallback(keras.callbacks.Callback):
    def on_train_begin(self, logs=None):
        keys = list(logs.keys())
        print("Starting training; got log keys: {}".format(keys))

    def on_train_end(self, logs=None):
        keys = list(logs.keys())
        print("Stop training; got log keys: {}".format(keys))

    def on_epoch_begin(self, epoch, logs=None):
        keys = list(logs.keys())
        print("Start epoch {} of training; got log keys: {}".format(epoch, keys))

    def on_epoch_end(self, epoch, logs=None):
        keys = list(logs.keys())
        print("End epoch {} of training; got log keys: {}".format(epoch, keys))

    def on_test_begin(self, logs=None):
        keys = list(logs.keys())
        print("Start testing; got log keys: {}".format(keys))

    def on_test_end(self, logs=None):
        keys = list(logs.keys())
        print("Stop testing; got log keys: {}".format(keys))

    def on_predict_begin(self, logs=None):
        keys = list(logs.keys())
        print("Start predicting; got log keys: {}".format(keys))

    def on_predict_end(self, logs=None):
        keys = list(logs.keys())
        print("Stop predicting; got log keys: {}".format(keys))

    #def on_train_batch_begin(self, batch, logs=None):
    #    keys = list(logs.keys())
    #    print("...Training: start of batch {}; got log keys: {}".format(batch, keys))

    #def on_train_batch_end(self, batch, logs=None):
    #    keys = list(logs.keys())
    #    print("...Training: end of batch {}; got log keys: {}".format(batch, keys))

    def on_test_batch_begin(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Evaluating: start of batch {}; got log keys: {}".format(batch, keys))

    def on_test_batch_end(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Evaluating: end of batch {}; got log keys: {}".format(batch, keys))

    def on_predict_batch_begin(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Predicting: start of batch {}; got log keys: {}".format(batch, keys))

    def on_predict_batch_end(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Predicting: end of batch {}; got log keys: {}".format(batch, keys))

1.プログラム

以下のコードを実行すると、いくつか画像が出力されます。

# TensorFlow と tf.keras のインポート
import tensorflow as tf
from tensorflow import keras

# ヘルパーライブラリのインポート
import numpy as np
import matplotlib.pyplot as plt

#カスタムコールバックのインポート
from Machine_learning_CallBack import CustomCallback


###########################10チャンネルグラフ用関数
def plot_image(i, predictions_array, true_label, img):
    predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])

    plt.imshow(img, cmap=plt.cm.binary)

    predicted_label = np.argmax(predictions_array)
    if predicted_label == true_label:
        color = 'blue'
    else:
        color = 'red'

    plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                    100*np.max(predictions_array),
                                    class_names[true_label]),
                                    color=color)

def plot_value_array(i, predictions_array, true_label):
    predictions_array, true_label = predictions_array[i], true_label[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])
    thisplot = plt.bar(range(10), predictions_array, color="#777777")
    plt.ylim([0, 1]) 
    predicted_label = np.argmax(predictions_array)

    thisplot[predicted_label].set_color('red')
    thisplot[true_label].set_color('blue')
##########################10チャンネルグラフ用関数

##########################ここからがメイン
#データセットの準備
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

#データセットには上記のクラス名が含まれていないため、後ほど画像を出力するときのために、クラス名を保存しておく
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

#データの観察

#訓練用のデータの観察
print(train_images.shape)#(60000, 28, 28)
#⇒28×28ピクセルの画像が60,000枚含まれている

print(len(train_labels))#60000
#⇒訓練用データセットには60,000個のラベルが含まれる

print(train_labels)#array([9, 0, 0, ..., 3, 0, 5], dtype=uint8)
#⇒ラベルはそれぞれ、0から9までの間の整数

#テスト用のデータの観察
print(test_images.shape)#(10000, 28, 28)
#⇒28×28ピクセルの画像が10,000枚含まれている

print(len(test_labels))#10000
#⇒訓練用データセットには10,000個のラベルが含まれる

print(test_labels)#array([9 2 1 ... 8 1 5], dtype=uint8)
#⇒ラベルはそれぞれ、0から9までの間の整数

#訓練用の画像ファイルの表示
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()


#データの前処理
#訓練用データセットとテスト用データセットの値を0から1までの範囲にスケールする
train_images = train_images / 255.0
test_images = test_images / 255.0

#訓練用データセットを表示してみる
plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])
plt.show()


#モデルの構築

#層の設定
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

#モデルのコンパイル
model.compile(optimizer='adam', 
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

#モデルの訓練
model.fit(train_images, train_labels, epochs=5,verbose=0, callbacks=[CustomCallback()])

#正解率の評価
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

#予測する
predictions = model.predict(test_images)
predictions[0]#予測結果

print(np.argmax(predictions[0]))#どのラベルが一番確信度が高いか？

print(test_labels[0])#テスト用の正解ラベル

#0番目の画像と、予測、予測配列
i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions,  test_labels)
plt.show()

#12番目の画像と、予測、予測配列
i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions,  test_labels)
plt.show()

# X個のテスト画像、予測されたラベル、正解ラベルを表示します。
# 正しい予測は青で、間違った予測は赤で表示しています。
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
  plt.subplot(num_rows, 2*num_cols, 2*i+1)
  plot_image(i, predictions, test_labels, test_images)
  plt.subplot(num_rows, 2*num_cols, 2*i+2)
  plot_value_array(i, predictions, test_labels)
plt.show()

# テスト用データセットから画像を1枚取り出す
img = test_images[0]
print(img.shape)

# 画像を1枚だけのバッチのメンバーにする
img = (np.expand_dims(img,0))
print(img.shape)

#予測する
predictions_single = model.predict(img)
print(predictions_single)
plot_value_array(0, predictions_single, test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)
plt.show()
print(np.argmax(predictions_single[0]))

# 自分で書いた画像を予想してみる
from PIL import Image
temp_img_array = Image.open('C:/My_Python/Tensorflow/T-S.png').convert('L')
plt.imshow(temp_img_array)
temp_img_array.thumbnail((28, 28)) # 28*28に変換
plt.imshow(temp_img_array)
temp_img_array = np.array(temp_img_array) # numpy arrayに変換
plt.imshow(temp_img_array)
plt.show()

#画像を予想
pred = model.predict(temp_img_array[np.newaxis])
x=np.argmax(pred)
print(x)

実行すると以下の感じで実行される

(60000, 28, 28)
60000
[9 0 0 ... 3 0 5]
(10000, 28, 28)
10000
[9 2 1 ... 8 1 5]
Starting training; got log keys: []
Start epoch 0 of training; got log keys: []
End epoch 0 of training; got log keys: ['loss', 'accuracy']
Start epoch 1 of training; got log keys: []
End epoch 1 of training; got log keys: ['loss', 'accuracy']
Start epoch 2 of training; got log keys: []
End epoch 2 of training; got log keys: ['loss', 'accuracy']
Start epoch 3 of training; got log keys: []
End epoch 3 of training; got log keys: ['loss', 'accuracy']
Start epoch 4 of training; got log keys: []
End epoch 4 of training; got log keys: ['loss', 'accuracy']
Stop training; got log keys: ['loss', 'accuracy']
313/313 - 1s - loss: 0.3555 - accuracy: 0.8706 - 641ms/epoch - 2ms/step

Test accuracy: 0.8705999851226807
9	←これがテスト用の画像の予想した値（９＝Ankleブーツ）
9	←これがテスト用の画像の正解（９＝Ankleブーツ）
(28, 28)
(1, 28, 28)
[[6.0474991e-05 7.9368032e-09 5.2156770e-07 4.3718891e-09 6.6511575e-07
  6.2167371e-04 4.9000741e-06 5.9195510e-03 8.7353937e-06 9.9338347e-01]]
9	←これがテスト用の画像の予想した値（９＝Ankleブーツ）
0	←これが自分で書いた画像の予想した値（０＝Ｔ-シャツ）

これが訓練用の画像ファイルです。

次が訓練用データセットを表示

テスト用のデータ０番目の画像と結果（９のブーツと認識）

テスト用のデータ１２番目の画像と結果（５のサンダルと認識されているが実際はスニーカー）

次がテスト用のデータを表示。正解が青、誤りは赤で表示されている。

最後に自分で書いたＴ－シャツを予想してみると、とりあえず正解している

適当に自分で書いたＴ－シャツも正解できました。絵心の問題もありますが、服と靴は見分けることはできそうです。

－－－－－－－－－－－－－